SIFT(Scale Invariant Feature Transform)尺度不变特征变换。SIFT特征具有对旋转、尺度缩放、亮度变化等保持不变性，是一种非常稳定的局部特征。

大家可以从魔搭社区平台，下载各种版本的各种大模型，尽量能在自己的电脑上运行，所以这边下载1.5B的版本下载后的文件夹里的东西不要动即可。

数据的特征又叫做数据的维度，减少数据的特征即降维如何做到最好的降维效果？减少数据维度的同时，能较好地代表原始数据。1. 将原始数据按列组成n行m列矩阵X；2.将X的每一行（代表一个属性字段）进行零均值化， 即减去这一行的均值3.求出协方差矩阵：4.求出协方差矩阵的特征值及对应的特征向量；5.将特征向量按对应特征值大小从上到下按行排列 成矩阵，取前k行组成矩阵P;6.Y=PX即为降维到k维后的数据。

continue。

常用的有：Caffe，TensorFlow，Keras，PyTorcCaffe：优点：只需要配置文件即可搭建深度神经网络模型缺点：安装麻烦，缺失很多新网络模型，近几年几乎不更新TensorFlow：由Google公司开发：1.x版本：缺点：代码比较冗余，上手有难度2.x版本：收购了keras，代码不兼容1.x版本Keras：基于 TensorFlow 封装优点：简化代码难度。PyTorch：Fac

神经网络：每个节点代表一种特定的是由大量的节点（或称“神经元”）和之间相互的联接构成。输出函数：称为激励函数、激活函数（activation function）。每两个节点间的联接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。

在数字化办公场景中，文档扫描是高频需求 —— 无论是纸质合同、手写笔记还是纸质报表，都需要快速转化为规整的数字格式。传统扫描仪操作繁琐，而手机 / 电脑摄像头扫描又容易因拍摄角度导致文档变形。本文将手把手教你用 Python+OpenCV 实现，无需专业硬件，只需几行代码就能完成从画面捕捉、边缘检测到透视变换的全流程，最终输出规整的文档图像。

我们将以下面这张图作为示例，目标是提取图像中最大的物体区域，并保存成一张新图片。

，表示反向二值化，即像素值低于阈值的设置为 255（白色），高于阈值的设置为 0（黑色）。绘制红色原始轮廓，再调用一次该函数绘制绿色近似轮廓，OpenCV 会自动将两种轮廓叠加在同一张图上，红色和绿色对比清晰，能直观看到轮廓近似的简化效果。），表示压缩轮廓点，只保留轮廓的关键点（如直线的端点、曲线的拐点），能够大幅减少轮廓点的数量，节省内存空间。），表示只提取最外层的轮廓，忽略内部的子轮廓，这正是

在开始编码前，我们先理解人脸检测的核心逻辑，让学习更有方向。本项目基于 OpenCV 内置的实现人脸检测，这是一种经典且高效的目标检测算法，专门针对人脸、眼睛、车辆等目标优化，具有速度快、轻量化、易部署的特点，非常适合入门学习。